CN104008370A - 一种视频人脸识别方法 - Google Patents
一种视频人脸识别方法 Download PDFInfo
- Publication number
- CN104008370A CN104008370A CN201410211494.8A CN201410211494A CN104008370A CN 104008370 A CN104008370 A CN 104008370A CN 201410211494 A CN201410211494 A CN 201410211494A CN 104008370 A CN104008370 A CN 104008370A
- Authority
- CN
- China
- Prior art keywords
- face
- people
- video
- frame
- typical frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视频人脸识别方法,包括以下步骤:S1:对视频进行人脸检测和跟踪得到人脸序列;S2:对所述人脸序列进行筛选,得到人脸典型帧集合;S3:基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合,得到增强的人脸典型帧集合;S4:通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对,进行人脸识别或验证。与现有的视频人脸识别方法相比,本发明通过使用增强的人脸典型帧集合,过滤和补偿了视频人脸姿态和分辨率的变化,从而提高了视频人脸识别的鲁棒性。
Description
技术领域
本发明涉及视频监控技术领域,特别涉及一种视频人脸识别方法。
背景技术
随着视频监控***的普及和逐渐增加的发展需求,基于视频的人脸识别已经取得了长足的发展,并对智能交通、门禁、信息安全以及安保、安防等安全领域具有十分重要的作用。
现有的视频人脸识别方法的一种主要应用模式为视频对静态图像识别,所述视频对静态图像识别采用人脸视频作为输入,通过和静态图像人脸数据库进行比对来实现识别或验证。
视频对静态图像识别的一类方法是对每一帧人脸图像采用静态人脸识别方法来识别,最后按照概率打分、距离判决(最近距离,平均距离)或多数投票来融合所有帧的识别结果;
另一类方法是利用视频序列生成人脸模型(如3D人脸建模)或者基于运动时序信息生成人脸模型(如HMM建模)的方法;
这两类方法的共同缺点是没有有效地过滤和补偿视频里的各种人脸变化,因而视频人脸识别的鲁棒性有待提高。
还有一类方法是学习静态图像和视频数据之间的映射关系,以期同时解决视频人脸相比于静态人脸的不同变化以及两者图像质量不同的问题,比如将视频帧的低分辨率空间映射到静态图像的高分辨率空间,或者将异质数据空间映射到一个公共空间上以保持两者的对应关系。
现有的映射学习方法是典型相关分析(CCA)和鉴别偏最小二乘方法(PLS)。
假设静态图像集和视频帧集合分别是和而且静态图像和视频帧对分别来自c个人脸类别,则CCA是要求解投影矩阵U和V,将集合X和Y分别投影到一个公共空间,使得它们的相关性在这个空间上最大化:
其中cov(·,·)是协方差算子;
CCA存在的问题是忽略了不同类人脸样本在公共空间里的可分性;
PLS的目标是要使得集合X和Y投影到公共空间后的协方差最大:
s.t.||U||=||V||=1
PLS存在的问题是PLS为非监督,没有充分利用c类人脸样本的鉴别信息。
现有的映射学习方法存在的问题是:在视频人脸的姿态、分辨率等复合变化下学习到的映射矩阵不准确,并且没有充分引入人脸类别的鉴别信息,因而人脸识别器的鉴别性能不够强。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是现有的视频人脸识别方法的鲁棒性以及基于映射学习方法的视频人脸识别方法的鉴别性能有待提高。
(二)技术方案
本发明提供一种视频人脸识别方法,包括以下步骤:
S1:对视频进行人脸检测和跟踪得到人脸序列;
S2:对所述人脸序列进行筛选,得到人脸典型帧集合;
S3:基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合,得到增强的人脸典型帧集合;
S4:通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对,进行人脸识别或验证。
优选地,所述步骤S2包括:根据人眼检测置信度、姿态估计和图像模糊评价指标,对所述人脸序列进行筛选,得到人脸典型帧集合,所述姿态估计包括人脸二维姿态估计。
优选地,步骤S4具体包括:
S41:对所述增强的人脸典型帧集合及预设的静态人脸图像匹配库进行光照预处理后,提取人脸典型帧的Gabor特征及静态人脸图像的Gabor特征;
S42:对预设的视频库进行所述步骤S1至S3,得到预设的人脸典型帧集合;提取所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征;对所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征进行鉴别映射学习,得到人脸典型帧映射矩阵及静态人脸图像映射矩阵;
S43:通过步骤S42中两个映射矩阵,将步骤S41中人脸典型帧的Gabor特征及静态人脸图像的Gabor特征投影到公共空间,采用所述增强的人脸典型帧集合及预设的静态人脸图像匹配库的最近距离进行人脸识别。
优选地,步骤S2具体包括:
S21:选取所述人脸序列中人眼检测置信度大于预设阈值一的视频帧;
S22:判断选取的视频帧少于5张是否成立,若成立,则选取的视频帧构成人脸典型帧集合,否则,执行S23;
S23:估计S21中选取的视频帧的人脸二维姿态;
S24:估计S21中选取的视频帧的图像模糊评价指标;
S25:根据S23中估计的视频帧的人脸二维姿态和S24中估计的视频帧的图像模糊评价指标,将S21中选取的视频帧按照人脸二维姿态和图像模糊评价指标由小到大的顺序排列,选择排列中前5帧构成人脸典型帧合集。
优选地,在S23中,采用嵌入LDA的自适应随机森林算法分别对人脸的左右旋转角度和俯仰旋转角度进行回归估计。
优选地,所述S24包括:
S241:将所述选取的视频帧通过预设的低通滤波器,得到所述选取的视频帧的模糊图像,计算所述模糊图像的邻域梯度变化;
S242:通过比较所述选取的视频帧和所述模糊图像的邻域梯度变化,得到选取的视频帧的图像模糊评价指标,所述指标是0到1范围内的实数。
优选地,步骤S3具体包括:
S31:采用正面人脸生成技术矫正所述人脸典型帧集合中人脸姿态大于预定阈值二的典型帧;
S32:采用图像超分辨率技术增强所述人脸典型帧集合中人脸眼距小于60像素的典型帧的分辨率。
优选地,在步骤S32中,所述图像超分辨率技术中图像超分辨放大倍数由典型帧的人脸眼距和60像素的倍数关系确定,超分辨率重建是利用人脸典型帧集合中每一帧的前后两帧进行相似性正则。
优选地,步骤S41具体包括:
S411:采用按点除以邻域算术均值PDAM的光照预处理方法对所述增强的人脸典型帧集合中的典型帧及预设的静态人脸图像匹配库中的静态人脸图像进行光照归一化;
S412:提取人脸典型帧的Gabor幅值特征及静态人脸图像的Gabor幅值特征。
优选地,在步骤S42中采用鉴别偏最小二乘方法DPLS学习映射矩阵。
(三)有益效果
本发明提供的视频人脸识别方法通过使用增强的人脸典型帧集合,过滤和补偿了视频人脸姿态和分辨率的变化,从而提高了视频人脸识别的鲁棒性,并且通过采用鉴别偏最小二乘方法DPLS学习映射矩阵,充分利用了人脸的标签信息,从而提高了视频人脸识别性能。
附图说明
图1是本发明实施例的视频人脸识别方法的流程图;
图2是本发明实施例的基于嵌入LDA的自适应随机森林的姿态估计方法的示意图;
图3是本发明实施例的图像超分辨率方法的流程图;
图4是本发明实施例的鉴别偏最小二乘方法(DPLS)的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明实施例提供一种视频人脸识别方法,如图1所示,具体包括以下步骤:
S1:对视频进行人脸检测和跟踪得到人脸序列;本实施例中人脸检测使用的是改进的Adaboost分类器,收集多个视角的人脸样本来训练,并使用编码形状不同的LBP特征来描述人脸。采用马尔科夫随机场模型使得分类器的输出结果为一个包含不同人脸部件的后验概率的矩阵,从而融合为最后的多姿态人脸检测器。人脸跟踪是通过级联的Gentle AdaBoost方法训练得到强分类器,再嵌入到自适应粒子滤波过程中来实现稳定跟踪。
S2:对所述人脸序列进行筛选,得到人脸典型帧集合;本实施例中,所述步骤S2包括:根据人眼检测置信度、姿态估计和图像模糊评价指标,对所述人脸序列进行筛选,得到人脸典型帧集合,所述姿态估计包括人脸二维姿态估计。
本实施例中,步骤S2具体包括:
S21:选取所述人脸序列中人眼检测置信度大于预设阈值一的视频帧,这些视频帧初步判定为可靠的人脸典型帧;
S22:判断选取的视频帧少于5张是否成立,若成立,则选取的视频帧构成人脸典型帧集合,否则,执行S23;
S23:估计S21中选取的视频帧的人脸二维姿态;本实施例中,姿态估计的目的是为了挑选出姿态值较小、接近正面的人脸参与识别,没有考虑人脸的平面内旋转角是因为可以简单根据检测的眼睛位置来消除该旋转角。
在本实施例中,采用嵌入LDA的自适应随机森林算法分别对人脸的左右旋转角度和俯仰旋转角度进行回归估计,具体过程如下:
分别收集有左右旋转和俯仰旋转变化的人脸样本,测试时分别估计两个角度。特征提取的过程是:将人脸检测区域归一化为48×48像素的灰度图,然后使用高斯滤波算子(3×3,标准差为2)以去噪,最后提取(3×3)Sobel边缘特征。嵌入LDA的自适应随机森林算法主要在两个方面对随机森林算法进行了改进,如图2所示:一是每棵多叉随机树的节点判决采用LDA判决来提高姿态鉴别力,二是采用可变叉节点***策略自适应地对分类效果不佳的姿态类进行鉴别分类,以进一步提高姿态鉴别力。测试时在叶子节点对不同姿态类进行回归,并融合多棵随机树的结果。该姿态估计方法准确实时,能在10ms以内同时估计左右旋转角和俯仰旋转角。
S24:估计S21中选取的视频帧的图像模糊评价指标;本实施例中,步骤S24包括:
S241:将所述选取的视频帧通过预设的低通滤波器,得到所述选取的视频帧的模糊图像,计算所述模糊图像的邻域梯度变化;
S242:通过比较所述选取的视频帧和所述模糊图像的邻域梯度变化,得到选取的视频帧的图像模糊评价指标,所述指标是0到1范围内的实数。
在本实施中,估计图像模糊程度基于以下事实:清晰图像的纹理锐利,图像邻域变化显著;模糊图像的邻域变化较小。因此首先计算输入图像的高斯模糊图像,再分别计算输入图像和其模糊图像的水平和垂直方向的平均一阶差分,来衡量图像的邻域梯度大小。最后比较两者的邻域梯度变化,并归一化为0到1范围内的实数作为图像模糊指标,该指标越接近1图像越模糊。该图像模糊估计方法快速有效,估计时间不超过4ms。
S25:根据S23中估计的视频帧的人脸二维姿态和S24中估计的视频帧的图像模糊评价指标,将S21中选取的视频帧按照人脸二维姿态和图像模糊评价指标由小到大的顺序排列,选择排列中前5帧构成人脸典型帧合集。
本实施例中,关于人脸姿态正面程度Mp和图像模糊程度Mb的联合指标简单设为两者的乘积Mp·Mb。其中Mb直接由S24计算得到,Mp由S23估计的左右旋转角θx和俯仰旋转角θy转换得到:
S3:基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合,得到增强的人脸典型帧集合;
本实施例中,步骤S3具体包括:
S31:采用正面人脸生成技术矫正所述人脸典型帧集合中人脸姿态大于预定阈值二的典型帧;
在本实施例中,正面人脸生成技术如下:首先采用步骤S23中的嵌入LDA的自适应随机森林算法得到2D人脸图像的姿态,并将3D人脸和当前姿态对齐;然后获取2D图像和3D人脸的关键点对,并进行三维人脸重建,被遮挡的人脸区域需要利用对称区域的纹理来补全;最后将带纹理的3D重建人脸的姿态转为正面,并渲染到2D正面图像。该正面人脸生成方法快速有效,能在2s以内完成整个过程。
S32:采用图像超分辨率技术增强所述人脸典型帧集合中人脸眼距小于60像素的典型帧的分辨率;本实施例中,所述图像超分辨率技术中图像超分辨放大倍数由典型帧的人脸眼距和60像素的倍数关系确定,超分辨的目标是将低分辨率视频帧y复原成高分辨率图像x,具体流程如图3所示:
首先对输入的低分辨率图像进行双三次插值得到初始高分辨率图像,然后将初始高分辨率图像划分为相互重叠的5×5图像块i=1,...,N,并为每个图像块在相邻两张视频帧的非局部范围内匹配得到相似图像块xij,利用这些相似图像块对超分辨率的重建方程进行图像的自相似正则,得:
其中即重建方程,D和H分别是下采样矩阵和模糊矩阵,I是单位矩阵,W是图像块xi关于相似图像块xij的表达系数wij的矩阵,其中对角矩阵R=diag[R1,...,RN]表示每一组相似图像块的冗余度,控制图像自相似正则的权重:
最后对非局部相似图像块进行PCA得到在线字典B1,和同样基于PCA的离线字典B0融合得到融合字典B=[B0,B1]。这样每个图像块xi就可以在字典B上线性表达为重建高分辨率图像块xi和整张高分辨率图像就转化成了下式:
其中α是由所有图像块的表达系数αi连接起来的,о是所有块表达的运算符,式(6)还约束了表达系数α的稀疏性,η是稀疏正则项的系数,式(6)可用迭代压缩算法高效地求解,直至收敛。图像超分辨方法能复原出视频人脸图像的真实细节,有利于提高视频人脸识别率。
S4:通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对,进行人脸识别或验证。
优选地,步骤S4具体包括:
S41:对所述增强的人脸典型帧集合及预设的静态人脸图像匹配库进行光照预处理后,提取人脸典型帧的Gabor特征及静态人脸图像的Gabor特征;本实施例中,步骤S41具体包括:
S411:采用按点除以邻域算术均值(Point Divid Arithmetic Mean,PDAM)PDAM的光照预处理方法对所述增强的人脸典型帧集合中的典型帧及预设的静态人脸图像匹配库中的静态人脸图像进行光照归一化;
本实施例中,PDAM算法是将每个像素除以以该像素为中心的小领域的算数均值,从而消除光照的影响。
S412:提取人脸典型帧的Gabor幅值特征及静态人脸图像的Gabor幅值特征,得到4602维列向量作为人脸特征。
S42:对预设的视频库进行所述步骤S1至S3,得到预设的人脸典型帧集合;提取所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征;对所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征进行鉴别映射学习,得到人脸典型帧映射矩阵及静态人脸图像映射矩阵。
本实施例中,采用鉴别偏最小二乘方法(Discriminative PartialLeast Squares,DPLS)学习映射矩阵,具体过程如下:
式(2)所示的PLS目标方程,可以具体写成:
s.t.||U||=||V||=1
可以看到,其相关性的最大化是对所有c类人脸样本对进行的,即事实上这有损于投影后数据的鉴别性。而DPLS算法仅最大化类内异质数据的相关性,而最小化类间异质数据的相关性。也就是说此时引入了类别标签信息,可以表达如下:
s.t.||U||=||V||=1
其中UTCwV和UTCbV分别表示类内和类间的相似性,λ是一个权重参数。如果重新把静态图像集合和视频帧集合和组织成:
其中和分别代表属于第i类的第j个静态图像和视频帧,而ni表示第i类的样本数。可以再定义:
这样Cw就可以表示成:
其中W是一个分块对角矩阵:
这样式(11)就用矩阵的形式表示了Cw里的类内相似性。图4描述了这种类内相似性的概念,而表示类间相似性的Cb为:
当数据X和Y是中心化的(即去均值),那么式(13)第一项就为0,从而有Cb=-XWYT。所以把Cb和Cw代入式(8)得:
s.t.||U||=||V||=1
这样式(14)的优化已经和λ无关了。该式提高了数据的鉴别性又能同时消除异质数据的差异。
S43:通过步骤S42中两个映射矩阵,将步骤S41中人脸典型帧的Gabor特征及静态人脸图像的Gabor特征投影到公共空间,采用集合的最近距离进行人脸识别。
综上,本发明实施例通过使用增强的人脸典型帧集合,过滤和补偿了视频人脸姿态和分辨率的变化,从而提高了视频人脸识别的鲁棒性,并且通过采用鉴别偏最小二乘方法DPLS学习映射矩阵,充分利用了人脸的标签信息,从而提高了视频人脸识别性能。
需要说明的是,在本文中,预设阈值一和预设阈值二仅用来区分预设阈值,而不一定要求或暗示不同预设阈值之间存在关系或者顺序。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种视频人脸识别方法,其特征在于,包括以下步骤:
S1:对视频进行人脸检测和跟踪得到人脸序列;
S2:对所述人脸序列进行筛选,得到人脸典型帧集合;
S3:基于正面人脸生成技术和图像超分辨率技术优化所述人脸典型帧集合,得到增强的人脸典型帧集合;
S4:通过将所述增强的人脸典型帧集合与预设的静态人脸图像匹配库比对,进行人脸识别或验证。
2.如权利要求1所述的方法,其特征在于,所述步骤S2包括:根据人眼检测置信度、姿态估计和图像模糊评价指标,对所述人脸序列进行筛选,得到人脸典型帧集合,所述姿态估计包括人脸二维姿态估计。
3.如权利要求1所述的方法,其特征在于,所述步骤S4包括:
S41:对所述增强的人脸典型帧集合及预设的静态人脸图像匹配库进行光照预处理后,提取人脸典型帧的Gabor特征及静态人脸图像的Gabor特征;
S42:对预设的视频库进行所述步骤S1至S3,得到预设的人脸典型帧集合;提取所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征;对所述预设的人脸典型帧集合的Gabor特征及预设的静态人脸图像训练库的Gabor特征进行鉴别映射学习,得到人脸典型帧映射矩阵及静态人脸图像映射矩阵;
S43:通过步骤S42中两个映射矩阵,将步骤S41中人脸典型帧的Gabor特征及静态人脸图像的Gabor特征投影到公共空间,采用所述增强的人脸典型帧集合及预设的静态人脸图像匹配库的最近距离进行人脸识别。
4.如权利要求1或2所述的方法,其特征在于,步骤S2具体包括:
S21:选取所述人脸序列中人眼检测置信度大于预设阈值一的视频帧;
S22:判断选取的视频帧少于5张是否成立,若成立,则选取的视频帧构成人脸典型帧集合,否则,执行步骤S23;
S23:估计步骤S21中选取的视频帧的人脸二维姿态;
S24:估计步骤S21中选取的视频帧的图像模糊评价指标;
S25:根据步骤S23中估计的视频帧的人脸二维姿态和步骤S24中估计的视频帧的图像模糊评价指标,将步骤S21中选取的视频帧按照人脸二维姿态和图像模糊评价指标由小到大的顺序排列,选择排列中前5帧构成人脸典型帧合集。
5.如权利要求4所述的方法,其特征在于,在步骤S23中,采用嵌入线性鉴别分析LDA的自适应随机森林算法分别对人脸的左右旋转角度和俯仰旋转角度进行回归估计。
6.如权利要求4所述的方法,其特征在于,所述S24包括:
S241:将所述选取的视频帧通过预设的低通滤波器,得到所述选取的视频帧的模糊图像,计算所述模糊图像的邻域梯度变化;
S242:通过比较所述选取的视频帧和所述模糊图像的邻域梯度变化,得到选取的视频帧的图像模糊评价指标,所述指标是0到1范围内的实数。
7.如权利要求1所述的方法,其特征在于,步骤S3具体包括:
S31:采用正面人脸生成技术矫正所述人脸典型帧集合中人脸姿态大于预定阈值二的典型帧;
S32:采用图像超分辨率技术增强所述人脸典型帧集合中人脸眼距小于60像素的典型帧的分辨率。
8.如权利要求7所述的方法,其特征在于,在步骤S32中,所述图像超分辨率技术中图像超分辨放大倍数由典型帧的人脸眼距和60像素的倍数关系确定,超分辨率重建是利用人脸典型帧集合中每一帧的前后两帧进行相似性正则。
9.如权利要求3所述的方法,其特征在于,步骤S41具体包括:
S411:采用按点除以邻域算术均值PDAM的光照预处理方法对所述增强的人脸典型帧集合中的典型帧及预设的静态人脸图像匹配库中的静态人脸图像进行光照归一化;
S412:提取人脸典型帧的Gabor幅值特征及静态人脸图像的Gabor幅值特征。
10.如权利要求3所述的方法,其特征在于,在步骤S42中采用鉴别偏最小二乘方法DPLS学习映射矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211494.8A CN104008370B (zh) | 2014-05-19 | 2014-05-19 | 一种视频人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211494.8A CN104008370B (zh) | 2014-05-19 | 2014-05-19 | 一种视频人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008370A true CN104008370A (zh) | 2014-08-27 |
CN104008370B CN104008370B (zh) | 2017-06-13 |
Family
ID=51369019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410211494.8A Active CN104008370B (zh) | 2014-05-19 | 2014-05-19 | 一种视频人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008370B (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794459A (zh) * | 2015-05-07 | 2015-07-22 | 北京丰华联合科技有限公司 | 一种从视频中进行人员身份判断的方法 |
CN105184273A (zh) * | 2015-09-18 | 2015-12-23 | 桂林远望智能通信科技有限公司 | 一种基于asm的动态图像正面人脸重建***及方法 |
CN105590091A (zh) * | 2014-11-06 | 2016-05-18 | Tcl集团股份有限公司 | 一种面部识别方法及其*** |
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106169067A (zh) * | 2016-07-01 | 2016-11-30 | 恒东信息科技无锡有限公司 | 一种高通量警用动态人脸采集比对方法及*** |
CN106709433A (zh) * | 2016-12-07 | 2017-05-24 | 深圳市万睿智能科技有限公司 | 一种非静态场景人脸自动采集和建模的方法、装置及*** |
CN107038400A (zh) * | 2016-02-04 | 2017-08-11 | 索尼公司 | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 |
CN107093191A (zh) * | 2017-03-06 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种图像匹配算法的验证方法、装置及计算机存储介质 |
CN107798308A (zh) * | 2017-11-09 | 2018-03-13 | 石数字技术成都有限公司 | 一种基于短视频训练法的人脸识别方法 |
CN107807374A (zh) * | 2017-10-26 | 2018-03-16 | 慧众行知科技(北京)有限公司 | 一种时变参数估计方法及*** |
CN107844752A (zh) * | 2017-10-20 | 2018-03-27 | 常州大学 | 一种基于块稀疏表示的行人重识别方法 |
CN108108694A (zh) * | 2017-12-21 | 2018-06-01 | 北京搜狐新媒体信息技术有限公司 | 一种人脸特征点定位方法及装置 |
CN108229322A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN108304816A (zh) * | 2018-02-09 | 2018-07-20 | 北京京东金融科技控股有限公司 | 身份识别方法、装置、存储介质及电子设备 |
CN108734667A (zh) * | 2017-04-14 | 2018-11-02 | Tcl集团股份有限公司 | 一种图像处理方法及*** |
CN108805009A (zh) * | 2018-04-20 | 2018-11-13 | 华中师范大学 | 基于多模态信息融合的课堂学习状态监测方法及*** |
CN108875542A (zh) * | 2018-04-04 | 2018-11-23 | 北京旷视科技有限公司 | 一种人脸识别方法、装置、***及计算机存储介质 |
CN109190561A (zh) * | 2018-09-04 | 2019-01-11 | 四川长虹电器股份有限公司 | 一种视频播放中的人脸识别方法及*** |
CN109614841A (zh) * | 2018-04-26 | 2019-04-12 | 杭州智诺科技股份有限公司 | 嵌入式***中的快速人脸检测方法 |
CN110188604A (zh) * | 2019-04-18 | 2019-08-30 | 盎锐(上海)信息科技有限公司 | 基于2d和3d影像的人脸识别方法及装置 |
CN111199165A (zh) * | 2018-10-31 | 2020-05-26 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
CN111222358A (zh) * | 2018-11-23 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种人脸静电检测方法和*** |
CN111261172A (zh) * | 2020-01-21 | 2020-06-09 | 北京爱数智慧科技有限公司 | 一种声纹识别方法和装置 |
CN111368597A (zh) * | 2018-12-26 | 2020-07-03 | 上海银晨智能识别科技有限公司 | 人脸识别*** |
CN111488763A (zh) * | 2019-01-26 | 2020-08-04 | 天津大学青岛海洋技术研究院 | W-ltp人脸识别算法 |
CN111541912A (zh) * | 2020-04-30 | 2020-08-14 | 北京奇艺世纪科技有限公司 | 一种视频拆分方法、装置、电子设备及存储介质 |
CN111667699A (zh) * | 2019-04-25 | 2020-09-15 | 泰州悦诚科技信息咨询中心 | 智慧城市实时管控方法 |
CN112232311A (zh) * | 2019-12-24 | 2021-01-15 | 杭州宇泛智能科技有限公司 | 人脸跟踪方法、装置及电子设备 |
CN112329743A (zh) * | 2021-01-04 | 2021-02-05 | 华东交通大学 | 一种疫情环境下的异常体温监控方法、装置及介质 |
CN112966648A (zh) * | 2021-03-25 | 2021-06-15 | 南京工程学院 | 基于核扩展块字典稀疏表示的遮挡人脸识别方法 |
CN113255201A (zh) * | 2021-05-14 | 2021-08-13 | 西安交通大学 | 一种基于粒子方法的自适应可变分辨率的建模***及方法 |
WO2021259033A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 人脸识别方法、电子设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620669A (zh) * | 2008-07-01 | 2010-01-06 | 邹采荣 | 一种人脸身份和表情的同步识别方法 |
CN102360421A (zh) * | 2011-10-19 | 2012-02-22 | 苏州大学 | 一种基于视频流的人脸识别方法及*** |
-
2014
- 2014-05-19 CN CN201410211494.8A patent/CN104008370B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620669A (zh) * | 2008-07-01 | 2010-01-06 | 邹采荣 | 一种人脸身份和表情的同步识别方法 |
CN102360421A (zh) * | 2011-10-19 | 2012-02-22 | 苏州大学 | 一种基于视频流的人脸识别方法及*** |
Non-Patent Citations (6)
Title |
---|
CHEN HUANG 等: "《Single-Image Super-Resolution via adaptive joint kernel regression》", 《BRITISH MACHINE VISION CONFERENCE》 * |
CHEN HUANG等: "《Generalized jointkernelregressionandadaptivedictionary》", 《SIGNAL PROCESSING》 * |
LIU DING 等: "《Continuous Pose Normalization for Pose-Robust Face Recognition》", 《SIGNAL PROCESSING LETTER》 * |
TONG ZHANG 等: "《Person-based Video Summarization and Retrieval by Tracking and Clustering Temporal Face Sequences》", 《IMAGING AND PRINTING IN A WEB 2.0 WORLD IV》 * |
胡业刚 等: "《基于非线性迭代PLS的人脸识别算法》", 《计算机工程与应用》 * |
黄琛 等: "《一种鲁棒高效的人脸特征点跟踪方法》", 《自动化学报》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590091A (zh) * | 2014-11-06 | 2016-05-18 | Tcl集团股份有限公司 | 一种面部识别方法及其*** |
CN105590091B (zh) * | 2014-11-06 | 2020-02-07 | Tcl集团股份有限公司 | 一种面部识别方法及其*** |
CN104794459A (zh) * | 2015-05-07 | 2015-07-22 | 北京丰华联合科技有限公司 | 一种从视频中进行人员身份判断的方法 |
CN105184273A (zh) * | 2015-09-18 | 2015-12-23 | 桂林远望智能通信科技有限公司 | 一种基于asm的动态图像正面人脸重建***及方法 |
CN105184273B (zh) * | 2015-09-18 | 2018-07-17 | 桂林远望智能通信科技有限公司 | 一种基于asm的动态图像正面人脸重建***及方法 |
CN107038400A (zh) * | 2016-02-04 | 2017-08-11 | 索尼公司 | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 |
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106169067B (zh) * | 2016-07-01 | 2019-05-28 | 恒东信息科技无锡有限公司 | 一种高通量警用动态人脸采集比对方法及*** |
CN106169067A (zh) * | 2016-07-01 | 2016-11-30 | 恒东信息科技无锡有限公司 | 一种高通量警用动态人脸采集比对方法及*** |
CN106709433A (zh) * | 2016-12-07 | 2017-05-24 | 深圳市万睿智能科技有限公司 | 一种非静态场景人脸自动采集和建模的方法、装置及*** |
CN107093191A (zh) * | 2017-03-06 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种图像匹配算法的验证方法、装置及计算机存储介质 |
CN108734667A (zh) * | 2017-04-14 | 2018-11-02 | Tcl集团股份有限公司 | 一种图像处理方法及*** |
CN107844752A (zh) * | 2017-10-20 | 2018-03-27 | 常州大学 | 一种基于块稀疏表示的行人重识别方法 |
CN107807374A (zh) * | 2017-10-26 | 2018-03-16 | 慧众行知科技(北京)有限公司 | 一种时变参数估计方法及*** |
CN107798308A (zh) * | 2017-11-09 | 2018-03-13 | 石数字技术成都有限公司 | 一种基于短视频训练法的人脸识别方法 |
CN107798308B (zh) * | 2017-11-09 | 2020-09-22 | 一石数字技术成都有限公司 | 一种基于短视频训练法的人脸识别方法 |
US11068697B2 (en) | 2017-11-30 | 2021-07-20 | Beijing Sensetime Technology Development Co., Ltd | Methods and apparatus for video-based facial recognition, electronic devices, and storage media |
CN108229322B (zh) * | 2017-11-30 | 2021-02-12 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN108229322A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN108108694A (zh) * | 2017-12-21 | 2018-06-01 | 北京搜狐新媒体信息技术有限公司 | 一种人脸特征点定位方法及装置 |
CN108108694B (zh) * | 2017-12-21 | 2020-09-29 | 北京搜狐新媒体信息技术有限公司 | 一种人脸特征点定位方法及装置 |
CN108304816A (zh) * | 2018-02-09 | 2018-07-20 | 北京京东金融科技控股有限公司 | 身份识别方法、装置、存储介质及电子设备 |
CN108304816B (zh) * | 2018-02-09 | 2020-09-01 | 京东数字科技控股有限公司 | 身份识别方法、装置、存储介质及电子设备 |
CN108875542A (zh) * | 2018-04-04 | 2018-11-23 | 北京旷视科技有限公司 | 一种人脸识别方法、装置、***及计算机存储介质 |
CN108805009A (zh) * | 2018-04-20 | 2018-11-13 | 华中师范大学 | 基于多模态信息融合的课堂学习状态监测方法及*** |
CN109614841A (zh) * | 2018-04-26 | 2019-04-12 | 杭州智诺科技股份有限公司 | 嵌入式***中的快速人脸检测方法 |
CN109614841B (zh) * | 2018-04-26 | 2023-04-18 | 杭州智诺科技股份有限公司 | 嵌入式***中的快速人脸检测方法 |
CN109190561A (zh) * | 2018-09-04 | 2019-01-11 | 四川长虹电器股份有限公司 | 一种视频播放中的人脸识别方法及*** |
CN111199165A (zh) * | 2018-10-31 | 2020-05-26 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
CN111199165B (zh) * | 2018-10-31 | 2024-02-06 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
CN111222358B (zh) * | 2018-11-23 | 2024-02-13 | 杭州海康威视数字技术股份有限公司 | 一种人脸静电检测方法和*** |
CN111222358A (zh) * | 2018-11-23 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种人脸静电检测方法和*** |
CN111368597A (zh) * | 2018-12-26 | 2020-07-03 | 上海银晨智能识别科技有限公司 | 人脸识别*** |
CN111488763A (zh) * | 2019-01-26 | 2020-08-04 | 天津大学青岛海洋技术研究院 | W-ltp人脸识别算法 |
CN110188604A (zh) * | 2019-04-18 | 2019-08-30 | 盎锐(上海)信息科技有限公司 | 基于2d和3d影像的人脸识别方法及装置 |
CN111667699A (zh) * | 2019-04-25 | 2020-09-15 | 泰州悦诚科技信息咨询中心 | 智慧城市实时管控方法 |
CN112232311A (zh) * | 2019-12-24 | 2021-01-15 | 杭州宇泛智能科技有限公司 | 人脸跟踪方法、装置及电子设备 |
CN111261172A (zh) * | 2020-01-21 | 2020-06-09 | 北京爱数智慧科技有限公司 | 一种声纹识别方法和装置 |
CN111261172B (zh) * | 2020-01-21 | 2023-02-10 | 北京爱数智慧科技有限公司 | 一种声纹识别方法和装置 |
CN111541912A (zh) * | 2020-04-30 | 2020-08-14 | 北京奇艺世纪科技有限公司 | 一种视频拆分方法、装置、电子设备及存储介质 |
WO2021259033A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 人脸识别方法、电子设备以及存储介质 |
CN112329743A (zh) * | 2021-01-04 | 2021-02-05 | 华东交通大学 | 一种疫情环境下的异常体温监控方法、装置及介质 |
CN112966648A (zh) * | 2021-03-25 | 2021-06-15 | 南京工程学院 | 基于核扩展块字典稀疏表示的遮挡人脸识别方法 |
CN112966648B (zh) * | 2021-03-25 | 2023-10-10 | 南京工程学院 | 基于核扩展块字典稀疏表示的遮挡人脸识别方法 |
CN113255201A (zh) * | 2021-05-14 | 2021-08-13 | 西安交通大学 | 一种基于粒子方法的自适应可变分辨率的建模***及方法 |
CN113255201B (zh) * | 2021-05-14 | 2024-04-23 | 西安交通大学 | 一种基于粒子方法的自适应可变分辨率的建模***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104008370B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008370A (zh) | 一种视频人脸识别方法 | |
CN109255322B (zh) | 一种人脸活体检测方法及装置 | |
Singh et al. | Muhavi: A multicamera human action video dataset for the evaluation of action recognition methods | |
US8649594B1 (en) | Active and adaptive intelligent video surveillance system | |
Ogale | A survey of techniques for human detection from video | |
CN107424161B (zh) | 一种由粗至精的室内场景图像布局估计方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN105574505A (zh) | 一种多摄像机间人体目标再识别的方法及*** | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN103136516A (zh) | 可见光与近红外信息融合的人脸识别方法及*** | |
CN103279768A (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN112464844A (zh) | 一种基于深度学习与运动目标检测的人体行为动作识别方法 | |
CN101950448B (zh) | Atm的伪装与偷窥行为检测的方法和*** | |
Tsalakanidou et al. | Integration of 2D and 3D images for enhanced face authentication | |
Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
Weng et al. | On-line human action recognition by combining joint tracking and key pose recognition | |
Kim | Novel and efficient pedestrian detection using bidirectional PCA | |
Nguyen et al. | Completed local structure patterns on three orthogonal planes for dynamic texture recognition | |
CN106096528B (zh) | 一种基于二维耦合边距Fisher分析的跨视角步态识别方法 | |
CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN110222609A (zh) | 一种基于图像处理的墙体裂缝智能识别方法 | |
CN113850221A (zh) | 一种基于关键点筛选的姿态跟踪方法 | |
CN116597438A (zh) | 一种基于Yolov5的改进型水果识别方法及识别*** | |
CN107784284A (zh) | 人脸识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |